Radarla Çoklu Hedef Tespiti için Nesne Tanıma Modellerinin Uyarlanması

Basit Öğe Kaydı
dc.contributor.authorHallaç, İbrahim Rıza
dc.contributor.authorAkbaba, Deniz
dc.contributor.authorGökce, Gökhan
dc.contributor.authorTanyer, S. Gokhun
dc.contributor.authorDriessen, Peter F.
dc.date.accessioned2026-01-24T11:56:49Z
dc.date.available2026-01-24T11:56:49Z
dc.date.issued2024
dc.departmentAlanya Alaaddin Keykubat Üniversitesi
dc.description.abstractBu makale, çoklu giriş çoklu çıkış (MIMO) radar hedef tespitinde için Derin Öğrenme tekniğinin uygulamasını, özellikle azimut ve yükseklik tahminine odaklanarak ele almaktadır. Geleneksel yöntemler, özellikle çoklu hedef senaryolarında parazit ve yansıma gibi zorluklarla karşı karşıya kalmaktadır. Özellik çıkarımı, genellikle menzil korelasyonu, Doppler filtreleme, açı demetleme ve sabit yanlış alarm oranı (CFAR) işleminden sonra tespit adımlarını içeren klasik radar sinyal işleme hattına dayanmaktadır. Ancak, erken aşamada veri seyreltilmesi, pratik uygulamalar için gereken büyük veri küplerinde bilgi kaybına yol açabilmektedir. Derin Öğrenme teknikleri, azimut ve yükseklik tespiti için alternatif bir yaklaşım sunmaktadır. Geliştirdiğimiz konvolüsyonel sinir ağı (CNN) modeli, 5000 örnekten oluşan tek hedefli veri üzerinde azimut için 0.149 ve yükseklik için 0.168 Ortalama Kare Hata (MSE) değerleri ile yüksek performans göstermiştir. İki hedefli senaryolarda ise model, 72.000 örneklik veri setinden 8000 test örneği üzerinde 0.838 ile 1.845 arasında MSE değerleri elde etmiştir. Bu makale, model geliştirme sürecini, radar hedef tespitindeki etkisini ve Derin Öğrenme ile geleneksel yöntemlerin entegrasyonuna yönelik potansiyel gelecek araştırma yönlerini detaylı bir şekilde ele almaktadır.
dc.description.abstractThis paper investigates the use of Deep Learning (DL) in multiple input multiple output (MIMO) radar target detection, focusing on azimuth and elevation estimation. Traditional methods face challenges like interference and reflections, especially in multi-target scenarios. Feature extraction conventionally relies on range correlation, Doppler filtering, and angle beamforming, followed by detection after constant false alarm rate (CFAR) processing. However, early data sparsification by bin selection often leads to information loss, particularly with large data cubes required for practical implementation. Deep Learning techniques offer an alternative, specifically in azimuth and elevation detection at earlier stages of radar data processing. We developed a convolutional neural network (CNN) model that achieved Mean Square Errors (MSE) of 0.149 for azimuth and 0.168 for elevation on single-target data from 5,000 samples. The model's performance in dual-target scenarios showed MSEs ranging from 0.838 to 1.845, tested on 8,000 samples from a dataset of 72,000. This paper details the model development process, its impact on radar target detection, and potential future research directions involving the substitution of multi-bin Deep Learning blocks with traditional methods.
dc.identifier.doi10.46740/alku.1486054
dc.identifier.endpage173
dc.identifier.issn2667-7814
dc.identifier.issue2
dc.identifier.startpage165
dc.identifier.urihttps://doi.org/10.46740/alku.1486054
dc.identifier.urihttps://hdl.handle.net/20.500.12868/3340
dc.identifier.volume6
dc.language.isoen
dc.publisherAlanya Alaaddin Keykubat University
dc.relation.ispartofALKÜ Fen Bilimleri Dergisi
dc.relation.ispartofALKÜ Fen Bilimleri Dergisi
dc.relation.publicationcategoryMakale - Ulusal Hakemli Dergi - Kurum Öğretim Elemanı
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_DergiPark_20260121
dc.subjectDeep Learning
dc.subjectDerin Öğrenme
dc.subjectMachine Vision
dc.subjectYapay Görme
dc.subjectSignal Processing
dc.subjectSinyal İşleme
dc.titleRadarla Çoklu Hedef Tespiti için Nesne Tanıma Modellerinin Uyarlanması
dc.title.alternativeAdapting Object Detection Models for Multi-Target Detection Utilizing Radars
dc.typeArticle

Dosyalar

Koleksiyon

ALKÜ Fen Bilimleri Dergisi Koleksiyonu